- Pesquisadores do MIT criaram um modelo de IA capaz de classificar e quantificar até seis tipos de defeitos pontuais em materiais, usando dados de uma técnica de espalhamento de nêutrons não invasiva, treinado em 2.000 materiais semicondutores.
- O modelo pode detectar dopantes e concentrações de defeitos, com valores tão baixos quanto 0,2 por cento, permitindo avaliação não destrutiva sem danificar o material.
- Demonstraram a validação em uma liga eletrônica comum e em um material supercondutor, usando mecanismo de atenção múltipla, com base de 56 elementos na tabela periódica.
- Potenciais aplicações abrangem semicondutores, microeletrônica, células solares e materiais de bateria; próximos passos incluem adaptar o modelo para dados de espectroscopia Raman e ampliar a detecção para recursos maiores que defeitos pontuais, como grãos e discordâncias.
- O método à base de nêutrons é potente, mas com disponibilidade limitada para indústrias; pesquisadores vislumbram treiná-lo com Raman e contam com interesse de empresas, além de apoio do Departamento de Energia e da NSF.
Três pesquisadores do MIT desenvolveram um modelo de IA capaz de classificar e quantificar defeitos atômicos em materiais usando dados de uma técnica de espalhamento de nêutrons não invasiva. O estudo, publicado hoje na revista Matter, foca em materiais semicondutores e ligas utilizadas em eletrônica.
O modelo foi treinado com uma base de dados de 2.000 materiais semicondutores diferentes. Ele consegue detectar até seis tipos de defeitos pontuais simultaneamente, um feito que não seria possível com técnicas convencionais. A abordagem busca oferecer uma leitura quantitativa sem destruir o material.
Os pesquisadores afirmam que a ferramenta representa um avanço importante para o uso de defeitos de forma mais precisa em produtos como semicondutores, microeletrônica, células solares e materiais de bateria. O objetivo é melhorar o controle de propriedades como resistência, transferência de calor e eficiência de conversão de energia.
Participaram do trabalho Mouyang Cheng (autor principal), Chu-Liang Fu, Bowen Yu, Eunbi Rha, Abhijatmedhi Chotrattanapituk e membros do Oak Ridge National Laboratory, além de Mingda Li, coautor sênior. O estudo também contou com apoio do Departamento de Energia dos EUA e da NSF.
Como funciona o método
Para a pesquisa, foi criada uma base computacional com pares de amostras de cada material: com defeitos e sem defeitos. Em seguida, os autores aplicaram uma técnica de espalhamento de nêutrons para medir frequências vibracionais nos átomos dos sólidos. A IA aprendeu a medir as concentrações de dopantes a partir dessa diferença.
Segundo Cheng, o modelo utiliza mecanismos de atenção multicanal, similar a abordagens de grandes modelos de IA, para extrair sinais distintos entre materiais com e sem defeitos e prever quais dopantes foram usados e em quais concentrações. A validação ocorreu com dados experimentais de metais usados em eletrônica e de um composto supercondutor.
Embora o método seja promissor, os autores destacam que a disponibilidade prática em linhas de produção ainda é limitada. A técnica exige configurações específicas de espectroscopia de vibração que podem ser complexas de reproduzir em QC tradicional. Ainda assim, há expectativa de adaptação para abordagens mais acessíveis.
Futuros caminhos incluem adaptar o modelo para dados de espectroscopia Raman, facilitar sua integração em controles de qualidade industriais e ampliar a detecção para defeitos além de pontos, como grãos e dislocations. A equipe pretende ampliar a abrangência para mais elementos e aplicações.
Entre na conversa da comunidade